HBFL：一种基于分层区块链的联邦学习框架用于协作式物联网入侵检测
密码学与安全
2022-04-12 v1 机器学习
网络与互联网体系结构
摘要
由于互联设备数量的增加和共享敏感数据量的增长，持续加强物联网生态系统的安全态势至关重要。在防御物联网网络攻击中利用机器学习（ML）能力具有许多潜在益处。然而，当前提出的框架未考虑数据隐私、安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出一种基于分层区块链的联邦学习框架，以实现安全且保护隐私的协作式物联网入侵检测。我们强调并展示了在组织间物联网网络中共享网络威胁情报以提升模型检测能力的重要性。所提出的基于 ML 的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全不可变账本上运行，已执行任务的合规性将由智能合约验证。我们通过对解决方案进行实现并使用关键物联网数据集评估入侵检测性能，测试并证明了其可行性。成果是一个安全设计的基于 ML 的入侵检测系统，能够在保护数据隐私的同时检测广泛的恶意活动。
引用
@article{arxiv.2204.04254,
title = {HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection},
author = {Mohanad Sarhan and Wai Weng Lo and Siamak Layeghy and Marius Portmann},
journal= {arXiv preprint arXiv:2204.04254},
year = {2022}
}